DenseHybrid: Hybrid Anomaly Detection for Dense Open-set Recognition

要約

異常検知には、通常の学習データの生成的モデリングによるものと、ネガティブな学習データに対する識別によるものがある。この2つのアプローチは、異なる故障モードを示す。その結果、ハイブリッドアルゴリズムが魅力的な研究目標となる。残念ながら、密な異常検出には並進均等性と非常に大きな入力解像度が必要である。これらの要件は、我々の知る限り、これまでの全てのハイブリッドアプローチを不適格とするものである。そこで、我々は、識別ロジットを正規化されていないジョイント分布$hat{p}( \mathbf{x}, \mathbf{y})$ の対数として再解釈することに基づく新しいハイブリッドアルゴリズムを設計する。我々のモデルは共有畳み込み表現に基づいており、そこから3つの密な予測値を復元する：i) 閉集合クラス事後分布$P(security|d_mathbf{y}|mathbf{x})$, ii) データセット事後分布$P(d_{in}|mathbf{x})$, iii) 非正規化データ尤度$Ihat{p}(security$ \mathbf{x})$.後者の2つの予測は、標準学習データと一般的なネガティブデータセットで学習される。我々は、この2つの予測値をブレンドして、大規模な自然画像に対する高密度なオープンセット認識を可能にするハイブリッド異常スコアとする。また、データ尤度の損失は、バックプロパゲーションによる正規化定数$Z(heta)$を避けるために、慎重に設計されている。実験では、標準的な密な異常検出ベンチマークと、密なオープンセットの性能のための新しいメトリックであるopen-mIoUの観点から、我々の貢献を評価することができた。その結果、標準的なセマンティックセグメンテーションのベースラインよりも無視できるほどの計算量にもかかわらず、最先端の性能を達成することができた。

要約(オリジナル)

Anomaly detection can be conceived either through generative modelling of regular training data or by discriminating with respect to negative training data. These two approaches exhibit different failure modes. Consequently, hybrid algorithms present an attractive research goal. Unfortunately, dense anomaly detection requires translational equivariance and very large input resolutions. These requirements disqualify all previous hybrid approaches to the best of our knowledge. We therefore design a novel hybrid algorithm based on reinterpreting discriminative logits as a logarithm of the unnormalized joint distribution $\hat{p}(\mathbf{x}, \mathbf{y})$. Our model builds on a shared convolutional representation from which we recover three dense predictions: i) the closed-set class posterior $P(\mathbf{y}|\mathbf{x})$, ii) the dataset posterior $P(d_{in}|\mathbf{x})$, iii) unnormalized data likelihood $\hat{p}(\mathbf{x})$. The latter two predictions are trained both on the standard training data and on a generic negative dataset. We blend these two predictions into a hybrid anomaly score which allows dense open-set recognition on large natural images. We carefully design a custom loss for the data likelihood in order to avoid backpropagation through the untractable normalizing constant $Z(\theta)$. Experiments evaluate our contributions on standard dense anomaly detection benchmarks as well as in terms of open-mIoU – a novel metric for dense open-set performance. Our submissions achieve state-of-the-art performance despite neglectable computational overhead over the standard semantic segmentation baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL